基于改进有限混合模型的图像/视频分割算法研究

Image segmentation is one of the most important and difficult problems in many applications, such as compute vision, object recognition and image processing. This project focus on the construction of Finite Mixture Model (FMM) and its application for image/video segmentation, to solve the four problems given as below: (1) Incorporating the mean template (as the spatial constraints information) into the finite mixture model to increase the robustness to noise for image segmentation. (2) Selecting the general parameter estimation algorithm (model selection). We combine mean template with standard parameter estimation algorithm in finite mixture model, to obtain the modified Expectation–maximization (EM) algorithm and modified Variational Bayes (VB) algorithm. (3) It is important to select a proper conditional probability function in FMM which is robust to outliers and image noise. We introduce a more flexible function which considers the conditional probability function itself as a sub-FMM. We call this model as hierarchical FMM (HFMM) and standard FMM can be considered as a special case of our model. (4) Extension of 2D image processing to 3D video analysis application. Based on the mean template and HFMM motioned above, we also combine feature selection algorithm and Hidden Markov Model for sequential data analysis, such as video segmentation and motion detection, etc.

图像分割是计算机视觉，目标识别和图像处理等应用中最重要，最困难的问题之一。本课题将开展对有限混合模型(FMM)的构造研究及其在图像/视频分割领域中的应用，着重解决以下四个方面的问题：（1）将均值模板空间约束信息引入到有限混合模型中，以增强其对噪声图像分割的鲁棒性。（2）探求参数估计（模型选择）的一般方法。在有限混合模型中的标准参数估计算法中结合均值模板，得到改进的期望最大化算法以及变分贝叶斯算法。（3）FMM中重要一点是选择合适的条件概率函数，以对离群点和图像噪声具有较强的鲁棒性。我们考虑了一个更灵活的条件概率函数，将其本身看作是一个子FMM模型。我们称其为分层有限混合模型(HFMM)，标准FMM可看作是我们模型的一个特例。（4）我们从二维图像处理扩展到三维视频分析应用。基于上述均值模板和HFMM模型，我们同时结合特征选择和隐性马尔可夫模型以应用于时序数据分析，如视频分割，运动检测等。

图像分割是计算机视觉，目标识别和图像处理等应用中最重要，最困难的问题之一。本项目对有限混合模型(FMM)的构造研究及其在图像/视频分割领域中的应用，着重解决了以下四个方面的问题：一:将均值模板空间约束信息引入到有限混合模型中，以增强其对噪声图像分割的鲁棒性。二:探求参数估计（模型选择）的一般方法。在有限混合模型中的标准参数估计算法中结合均值模板，得到改进的期望最大化算法以及变分贝叶斯算法。三:FMM中重要一点是选择合适的条件概率函数，以对离群点和图像噪声具有较强的鲁棒性。我们考虑了一个更灵活的条件概率函数，将其本身看作是一个子FMM模型。我们称其为分层有限混合模型(HFMM)，标准FMM可看作是我们模型的一个特例。四：在应用上，从二维图像处理扩展到三维视频分析。基于上述均值模板和HFMM模型，我们同时结合特征选择和隐性马尔可夫模型以应用于时序数据分析，如视频分割，运动检测等。